DeepInsight II: One Trace from Benchmark to Robot
作者: Siyi Li, Yuchen Kang, Wuliang Wang, Zhengjie Zhang, Jiangpin Liu, Jianhao Yao, Jie Chen
分类: cs.AI
发布日期: 2026-08-17
💡 一句话要点
提出DeepInsight II以解决机器人评估与部署风险问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 物理人工智能 机器人评估 基准测试 模拟与现实对接 全身控制器 修复导向诊断
📋 核心要点
- 现有方法在物理人工智能的评估与部署中存在碎片化问题，导致实际应用风险增加。
- 论文提出了DeepInsight II，通过量化具体执行层，连接基准测试与真实机器人执行。
- 实验结果表明，DeepInsight II在多个基准下成功重现了参考结果，并实现了模拟与真实环境的有效对接。
📝 摘要（中文）
在物理人工智能堆栈中，评估成熟度与部署风险呈反比关系。基础模型拥有成熟的标准化框架，而实际部署所依赖的具体层面则在基准特定的模拟器、实现和接口中显得支离破碎。DeepInsight II在保持基础层不变的情况下，量化了具体执行层。首先，它在两个导航和四个操作基准下重现了发布的检查点参考。其次，MotionBench将四个发布的全身控制器置于统一的工作负载和指标下，并将平行模拟中的合格同类群体转移到匹配的真实机器人试验中。最后，论文扩展了追踪本地化，提出了五个基于证据的交接标签，映射到具体的修复动作，提供了实证连续性，从基准执行到匹配的机器人证据和修复导向的诊断。
🔬 方法详解
问题定义：本论文旨在解决物理人工智能堆栈中评估与部署的碎片化问题，现有方法在导航和操作任务中的实证不足，导致实际应用风险增加。
核心思路：DeepInsight II通过量化具体执行层，保持基础层不变，提供从基准测试到真实机器人执行的实证连续性，旨在减少模拟与真实环境之间的差距。
技术框架：整体架构包括三个主要模块：基准重现、MotionBench评估和追踪本地化。首先在多个基准下重现参考结果，其次通过MotionBench统一评估全身控制器，最后扩展追踪本地化至具体修复动作。
关键创新：本研究的创新点在于将模拟与真实环境的执行连接起来，使得模拟与物理执行共享父追踪身份，形成原生的差距缩减，而非工具链间的调和。
关键设计：在实验中，采用了特定的工作负载和指标契约，确保不同控制器在相同条件下进行评估，同时设计了基于证据的交接标签，映射到具体的修复动作，提供了可测量的修复性标准。
🖼️ 关键图片
📊 实验亮点
实验结果显示，DeepInsight II在两个导航和四个操作基准下成功重现了参考结果，且在模拟与真实机器人试验中实现了有效的对接，显著缩小了模拟与现实之间的差距，提升了机器人执行的可靠性和准确性。
🎯 应用场景
该研究在机器人导航和操作领域具有广泛的应用潜力，尤其是在需要高可靠性和低风险的实际部署场景中。通过提供从基准到实际应用的连续性，DeepInsight II能够帮助开发更为安全和高效的机器人系统，推动物理人工智能的实际应用。未来，该方法可能对机器人技术的标准化和评估体系的建立产生深远影响。
📄 摘要（原文）
Across a Physical AI stack, evaluation maturity is inversely aligned with deployment risk: foundation models enjoy mature, standardized harnesses, while the embodied layers on which deployment actually turns remain fragmented across benchmark-specific simulators, embodiments, and interfaces. The first DeepInsight report (v1) unified evaluation across this stack behind three abstractions---task, resource, and result---but its quantitative evidence centered on the foundation-model layer; navigation and manipulation (System 1) and whole-body control (System 0) remained simulation case studies, and physical execution was outside its empirical scope. DeepInsight II keeps that substrate fixed and quantifies the embodied half. First, it reproduces released-checkpoint references across two navigation and four manipulation benchmarks under their native protocols. Second, MotionBench places four released whole-body controllers under one workload and metric contract, then carries a qualified within-family cohort from parallel simulation to matched real-robot trials in which simulated and physical rollouts share a parent trace identity while retaining execution-domain-specific records, making the sim-to-real gap a native reduction rather than a reconciliation across toolchains. Third, a composed System 2--1--0 study extends trace localization into five evidence-grounded handoff labels, each mapped to a concrete repair action, with a measured repairability criterion and physical episodes testing the same attribution under hardware-observable state. The contribution is therefore not a new evaluation architecture, but empirical continuity from benchmark execution to matched robot evidence and repair-oriented diagnosis.